Cos'è la Composizione della Metrica
È un concetto di marketing che ho ideato e lanciato nel social network LinkedIn nel 2020 per "qualificare in modo pertinente la struttura qualitativa di un campione espresso nelle analytics, usando un approccio multidimensionale".
Attualmente (3 Giugno 2021) non esiste alcuna pregressa menzione di tale espressione se non relativamente alla "composizione delle metriche" in ambito letterario (prevalentemente su Dante).
Questa espressione identifica aspetti qualitativi di un dato aggregato nelle analytics per determinarne la struttura interna (qualità, proprietà, rapporti ecc.) al fine di identificare correttamente l'identità dei numeri.
Vediamo un esempio:
Scopriamo, tramite delle ricerche online, che il 50% degli utenti non clicca gli annunci pubblicitari. Questo numero, espresso senza un contesto, potrebbe essere utilizzato da un marketer (che deve vendere "servizi di analisi") per indurre il lettore a pensare che solamente la metà degli utenti comprerà qualcosa tramite gli annunci mentre il restante 50% li salterà, andando a leggere o cliccare direttamente i risultati organici (ovvero quelli non sponsorizzati).
Sembra intuitivo, ma non è così.
In realtà è altamente improbabile per una semplice ragione: gli annunci sono generalmente creati per generare una conversione diretta (vendita, registrazione, sottoscrizione, iscrizione ad un webinar o evento ecc.). Il funnel è impostato a monte per ottenere un path di acquisto molto più corto.
L'annuncio stesso è scritto per aumentare la conversione e per raggiungere il massimo numero di utenti in target, cioè quelli che vogliono compiere un'azione ovvero quelli più propensi ad interagire con una CTA. Della serie "devo comprare una cosa, non voglio perdere tempo a leggere post e recensioni perché so esattamente cosa mi serve ma non so chi me lo può fornire, quindi cerco direttamente dei fornitori".
Il 50% di quelli che saltano l'annuncio potrebbe invece cercare informazioni generaliste: il meteo di domani, le informazioni sul traffico, gli orari dei treni, vecchie notizie giornalistiche ecc. e trovare un post di un brand che usa quelle stesse chiavi per "generare traffico".
In questo caso il path di acquisto è più lungo perché il lead ha dei passaggi intermedi per diventare un prospect o un cliente, ovvero per seguire il percorso del funnel impostato a monte. Inoltre, come visto prima, sono informazioni superflue per il tipo di lead del primo gruppo.
Questo 50% ha un intento di acquisto nullo: questi utenti non sono online per comprare ma per informarsi o fare ricerche su "n" argomenti.
In questo caso il 50% di quelli che cliccano l'annuncio ha una composizione qualitativa non confrontabile con il 50% che sta cercando informazioni che non prevedono l'acquisto.
La composizione della metrica suggerisce che non ha senso utilizzare le analytics per osservare la percentuale dei click perché non viene tenuto in considerazione il fattore più importante: la segmentazione.
In questo caso però la differenza tra segmentazione e composizione della metrica è che quest'ultima ha caratteristiche multidimensionali.
Potremmo avere, ad esempio, una stessa segmentazione per tipologia di utenti su determinati argomenti (esempio: persone che acquistano libri online) ma questo non implica che l'intento di acquisto sia uguale per tutti nel momento in cui fanno delle ricerche.
Esempio di Composizione della Metrica
Immaginiamo un segmento di 10.000 potenziali lead. Quanto possono spendere per un libro? Poniamo €50 ciascuno. Quanti di questi però compreranno, statisticamente, i libri su Amazon? Poniamo il 95%.
Da questo punto di vista il segmento è "chi compra i libri online", la composizione della metrica è "il 95% delle persone comprano su Amazon, quindi i miei lead possono portarmi al massimo 500 vendite".
In questo caso stiamo nuovamente mescolando dati diversi (Amazon) con quelli del segmento (lead generati da Google Ads).
In sostanza "500 potenziali clienti" è un numero errato, nonostante le statistiche dicano il contrario. La determinazione del vero target è direttamente proporzionale al grado di precisione multidimensionale della composizione della metrica.
In altri termini se cambiamo una variabile qualitativa e creiamo una strategia che modifica, ad esempio, il budget impostato per quelle ads, quel 95% acquisisce un valore relativo (cambia, ad esempio, lo scontrino medio associato a questo 95%) come può cambiare la stessa percentuale (esempio: meno lead comprano da A perché hanno trovato che B è migliore).
Dobbiamo infatti considerare da una parte Amazon e tutto il suo schema di valori e dall'altro il meccanismo di ingaggio delle ads di Google. Dobbiamo considerare chi compra, come compra, cosa compra, a quali condizioni ecc. Un'ads di Google, generalmente, fa atterrare il lead in un sito web. Un sito web ha un'UX nettamente più personalizzabile di quella presente sulla pagina prodotto di Amazon.
Oltre la segmentazione
A cosa serve la composizione della metrica? Per superare i limiti della segmentazione e per iniziare a ragionare sui dati in modo multidimensionale.
Come si ragiona in modo multidimensionale?
Nei pannelli online dei più importanti social network esistono dei sistemi per segmentare gli utenti (trovare un target ideale di potenziali clienti) ma questi sistemi hanno pochissime indicazioni sulla qualità del lead che vogliamo andare ad intercettare.
La composizione della metrica consente, ad esempio, di andare ad intercettare campioni in altri segmenti utilizzando l'idea di valutare proprietà comuni tra segmenti diversi. Esempio: gli imprenditori leggono libri ma anche i professori leggono libri.
La composizione della metrica, inoltre, consente di ragione "sui numeri oltre i numeri", valutando di volta in volta il fattore intrinseco che accomuna tutti i dati sui lead: le persone sono tutte diverse.
Anche lo user behaviour (il comportamento dell'utente) è fortemente influenzato dallo schema-valore che, per sua natura, è soggettivo. Definire quindi un target è molto più complesso di quanto possa sembrare.
Avere una composizione della metrica che supera il concetto canonico di segmento consente di ricavare nicchie nelle nicchie, aumentando il conversion rate.
È un concetto simile all'analisi della buyer persona.
Le differenze sostanziali sono due:
- è applicabile a qualsiasi contesto (anche non a persone)
- ha una struttura multidimensionale (si può collegare anche ad altri aspetti non direttamente collegati al campione statistico preso in esame)
È utile anche dal punto di vista della linguistica e della pragramatica linguistica per definire con chiarezza aspetti più astratti e poco intuitivi del dato, al fine di trasformarlo in un'informazione di valore.